实验七：基于神经网络的模式识别实验
7基于神经网络的模式识别实验要求
实验七基于神经网络的模式识别实验一、实验目的理解BP神经网络和离散Hopfield神经网络的结构和原理，掌握反向传播学习算法对神经元的训练过程，了解反向传播公式。
通过构建BP网络和离散Hopfield 网络模式识别实例，熟悉前馈网络和反馈网络的原理及结构。
二、实验原理BP学习算法是通过反向学习过程使误差最小，其算法过程从输出节点开始，反向地向第一隐含层(即最接近输入层的隐含层)传播由总误差引起的权值修正。
BP 网络不仅含有输入节点和输出节点，而且含有一层或多层隐(层)节点。
输入信号先向前传递到隐节点，经过作用后，再把隐节点的输出信息传递到输出节点，最后给出输出结果。
离散Hopfield神经网络的联想记忆过程分为学习和联想两个阶段。
在给定样本的条件下，按照Hebb学习规则调整连接权值，使得存储的样本成为网络的稳定状态，这就是学习阶段。
联想是指在连接权值不变的情况下，输入部分不全或者受了干扰的信息，最终网络输出某个稳定状态。
三、实验条件Matlab 7.X 的神经网络工具箱：在Matlab 7.X 的命令窗口输入nntool，然后在键盘上输入Enter键，即可打开神经网络工具箱。
四、实验内容1.针对教材P243例8.1，设计一个BP网络结构模型（63-6-9），并以教材图8.5 为训练样本数据，图8.6为测试数据。
（1）运行train_data.m和test_data.m文件，然后从Matlab工作空间导入（Import）训练样本数据（inputdata10，outputdata10）和测试数据（testinputdata，testoutputdata），其次新建一个神经网络（New Network），选择参数如下表1，给出BP神经网络结构图。
表1 BP网络结构模型的各项参数设置Network Name（神经网络名称）nn10_1Network Type（神经网络类型）Feed-forward backprop（前馈反向传播）Input ranges（输入信息范围）来自训练样本的输入数据（inputdata10）Training function（训练函数）TRAINGD(梯度下降BP算法)Performance function（性能函数）MSE（均方误差）Number of layers（神经网络层数）2Layer1（第1层）的Number ofneurons (神经元个数)6Layer1（第1层）的TransferFunction (传递函数)LOGSIG（S型函数）Layer2（第2层）的Number ofneurons (神经元个数)9Layer2（第2层）的TransferFunction (传递函数)LOGSIG（S型函数）（2）输入训练样本数据（inputdata10，outputdata10），随机初始化连接权（Initialize Weights），然后进行训练（Train），训练参数设置如表2所示，并观察训练目标值变化曲线图，最后把BP神经网络训练成功后(即误差不再变化后)的误差值填入表3。
实验七基于神经网络的模式识别实验
实验七基于神经网络的模式识别实验一、实验目的利用神经网络实现模式识别，并验证其性能。
掌握基于神经网络的模式识别方法。
二、实验原理1.神经网络神经网络是一种模仿生物神经系统的计算模型，它由大量的神经元节点相互连接而成。
在模式识别中，我们一般采用多层前向神经网络进行模式的训练和识别。
2.神经网络的训练过程神经网络的训练过程可以分为两步：前向传播和反向传播。
前向传播是指将输入样本通过网络的各个层传递到输出层，并计算输出结果。
反向传播是指根据输出结果和目标结果之间的误差，将误差反向传播到网络的各个层，并根据误差调整网络中的权值。
3.模式识别对于模式识别问题，我们首先需要将输入模式转化为特征向量，然后通过神经网络来训练这些特征向量，并将其与已知类别的模式进行比较，从而进行模式的识别。
三、实验步骤1.数据准备选择适当的模式识别数据集，例如手写数字识别的MNIST数据集，将其分为训练集和测试集。
2.特征提取对于每个输入模式，我们需要将其转化为一个特征向量。
可以使用各种特征提取方法，例如像素值，轮廓等。
3.神经网络设计设计合适的神经网络结构，包括输入层、隐藏层和输出层，并确定各层的神经元数目。
4.神经网络训练使用训练集对神经网络进行训练，包括前向传播和反向传播过程。
可以使用各种优化算法，例如梯度下降法。
5.模式识别使用测试集对训练好的神经网络进行测试和验证，计算识别的准确率和性能指标。
6.性能评估根据得到的结果，评估神经网络的性能，并分析可能的改进方法。
四、实验结果通过实验我们可以得到神经网络模式识别的准确率和性能指标，例如精确度、召回率和F1-score等。
五、实验总结在本次实验中，我们利用神经网络实现了模式识别，并验证了其性能。
通过实验，我们可以掌握基于神经网络的模式识别方法，了解神经网络的训练和识别过程，以及模式识别中的特征提取方法。
实验结果表明，神经网络在模式识别问题中具有较好的性能，并且可以根据需要进行改进和优化。
基于人工神经网络的模式识别技术
基于人工神经网络的模式识别技术技术的发展让我们的生活变得更加舒适、便利，而人工智能已成为了当代科技中不可或缺的一部分。
在这个领域里，模式识别技术得到了广泛的应用，其中基于人工神经网络的模式识别技术更是引人注目，在各个领域都得到了广泛的应用。
一、人工神经网络的基本原理人工神经网络是一种源自自然界生物神经系统的计算模型，它有着类似于人类和动物神经系统的结构和功能。
在它的功能实现过程中，利用大量的处理单元（神经元）和它们之间的连接模式，实现了大量的数据处理和分析。
每一个神经元相当于文脉单元，在进行信息传递时，神经元在其周边的神经元可以通过一些特定的权重值同步调整神经元之间的联系，实现了数据处理和计算。
二、人工神经网络的应用随着科技的发展，基于人工神经网络的模式识别技术在各个领域被广泛应用。
以下列举几个典型案例：1. 医学人工神经网络在医学领域的应用非常广泛，它可以通过对大量的数据进行处理和分析，实现疾病的诊断与治疗。
例如，人工神经网络可以用于癌症的筛查和鉴别诊断。
在人员健康管理领域，结合人工神经网络技术，可以便捷地判断患者的健康状况，并作出相应的医疗决策。
2. 金融基于人工神经网络的模式识别技术在金融领域的应用也非常广泛，例如在股票交易领域，可以通过人工神经网络技术对市场趋势进行分析，并做出投资决策。
在金融风险管理领域，可以结合人工神经网络的技术，更好地进行风险预警和风险控制。
3. 汽车在汽车行业中，人工神经网络的应用主要是在智能驾驶方面。
通过与传感器、GPS和电子地图等技术结合，人工神经网络可以实现车辆位置、路况、甚至是驾驶员行为的自主识别、判断，从而实现自动驾驶。
三、人工神经网络的优势1. 可以处理大量数据人工神经网络具有处理大量数据的优势，通过对海量数据的分析和处理，可以更好地从数据中提取特征，实现数据的学习和分类。
2. 适用于复杂问题人工神经网络技术适用于复杂的问题，例如语音识别、人脸识别、文字识别等问题。
模式识别关于男女生身高和体重的神经网络算法
模式识别实验报告（二）学院：专业：学号：姓名：XXXX教师：目录1实验目的 (1)2实验内容 (1)3实验平台 (1)4实验过程与结果分析 (1)4.1基于BP神经网络的分类器设计 .. 1 4.2基于SVM的分类器设计 (4)4.3基于决策树的分类器设计 (7)4.4三种分类器对比 (8)5.总结 (8)1)1实验目的通过实际编程操作，实现对课堂上所学习的BP神经网络、SVM支持向量机和决策树这三种方法的应用，加深理解，同时锻炼自己的动手实践能力。
2)2实验内容本次实验提供的样本数据有149个，每个数据提取5个特征，即身高、体重、是否喜欢数学、是否喜欢文学及是否喜欢运动，分别将样本数据用于对BP神经网络分类器、SVM支持向量机和决策树训练，用测试数据测试分类器的效果，采用交叉验证的方式实现对于性能指标的评判。
具体要求如下：BP神经网络--自行编写代码完成后向传播算法，采用交叉验证的方式实现对于性能指标的评判（包含SE,SP,ACC和AUC，AUC的计算可以基于平台的软件包）；SVM支持向量机--采用平台提供的软件包进行分类器的设计以及测试，尝试不同的核函数设计分类器，采用交叉验证的方式实现对于性能指标的评判；决策树--采用平台提供的软件包进行分类器的设计以及测试，采用交叉验证的方式实现对于性能指标的评判（包含SE,SP,ACC和AUC，AUC的计算基于平台的软件包）。
3)3实验平台专业研究方向为图像处理，用的较多的编程语言为C++，因此此次程序编写用的平台是VisualStudio及opencv，其中的BP神经网络为自己独立编写， SVM 支持向量机和决策树通过调用Opencv3.0库中相应的库函数并进行相应的配置进行实现。
将Excel中的119个数据作为样本数据，其余30个作为分类器性能的测试数据。
4)4实验过程与结果分析4.1基于BP神经网络的分类器设计BP神经网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。
基于BP神经网络的故障模式识别与应用
建立
敛
BP
，
识别结果稳定
神 经 网 络 ； 故 障诊 断
文献标识码
：
A
文章编号
：
10 0 9 9 4 9 2
-
(2 0 0 8 )
10
—
0 10 3 0 3
—
1
引言
近 年来
，
3
现 代 化 企 业 中 的 工 厂 设 备 自动 化 程 度 普 遍 提
，
神 经 网 络 应 用 于 模 式 识 别 的优 势
。
行 状 态 监 控 进 行 了 仿 真试 验 研 究
层
，
其 神 经 网络 结 构 如 图 2 所 示
针对 具 体的识别实例
，
2
故 障识 别 系 统 的基 本 原 理
故 障诊 断 识 别 系 统 在 功 能 上 应 包 括 故 障 信 号 的 检 测
、
神经 网络对 函数和信号可 以 以
任意 的精度逼 近
神经 网络 改进 算 法
，
供依据
本文重 点研 究
。
一
种 改进 的 B P 神经 网络分类 器
变换 函数 和 动量 因子
隐层 作 用 函 数 采 用 新 的 变 换 函 数
即 由原 来 的 S 函 数
将 其 应 用 于 故 障诊 断 中
收 稿 日期
：
200 8 03 20
— —
匿鎏雪玉亚蚕
技术
变 为 厂（ ）＝ａ ｈ （ 。 新 的变 换 函 数 能 够 增 大 取 值 范 围 ， ｔｎ ） 有 利 于 加 速 收 敛 。 输 出层 采 用 线 性 函数 的 前 馈 神 经 网
应县
《模式识别》实验报告K-L变换特征提取
《模式识别》实验报告K-L变换特征提取基于K-L 变换的iris 数据分类⼀、实验原理K-L 变换是⼀种基于⽬标统计特性的最佳正交变换。
它具有⼀些优良的性质：即变换后产⽣的新的分量正交或者不相关；以部分新的分量表⽰原⽮量均⽅误差最⼩；变换后的⽮量更趋确定，能量更集中。
这⼀⽅法的⽬的是寻找任意统计分布的数据集合之主要分量的⼦集。
设n 维⽮量12,,,Tn x x x =x ，其均值⽮量E=µx ，协⽅差阵()T x E=--C x u)(x u ，此协⽅差阵为对称正定阵，则经过正交分解克表⽰为x =TC U ΛU ,其中12,,,[]n diag λλλ=Λ，12,,,n u u u =U 为对应特征值的特征向量组成的变换阵，且满⾜1T-=UU。
变换阵TU 为旋转矩阵，再此变换阵下x 变换为()T -=x u y U ,在新的正交基空间中，相应的协⽅差阵12[,,,]xn diag λλλ==x U C U C。
通过略去对应于若⼲较⼩特征值的特征向量来给y 降维然后进⾏处理。
通常情况下特征值幅度差别很⼤，忽略⼀些较⼩的值并不会引起⼤的误差。
对经过K-L 变换后的特征向量按最⼩错误率bayes 决策和BP 神经⽹络⽅法进⾏分类。
⼆、实验步骤（1）计算样本向量的均值E =µx 和协⽅差阵()T xE ??=--C x u)(x u5.8433 3.0573 3.7580 1.1993??=µ，0.68570.0424 1.27430.51630.04240.189980.32970.12161.27430.3297 3.1163 1.29560.51630.12161.29560.5810x----=--C （2）计算协⽅差阵xC 的特征值和特征向量，则4.2282 , 0.24267 , 0.07821 , 0.023835[]diag =Λ-0.3614 -0.6566 0.5820 0.3155 0.0845 -0.7302 -0.5979 -0.3197 -0.8567 0.1734 -0.0762 -0.4798 -0.3583 0.0755 -0.5458 0.7537??=U从上⾯的计算可以看到协⽅差阵特征值0.023835和0.07821相对于0.24267和4.2282很⼩，并经计算个特征值对误差影响所占⽐重分别为92.462%、5.3066%、1.7103%和0.52122%，因此可以去掉k=1~2个最⼩的特征值，得到新的变换阵12,,,newn k u u u -=U。
实验七基于神经网络的模式识别实验
实验七基于神经网络的模式识别实验
一、实验背景
模式识别是机器学习领域中的一项重要研究领域，它可以被应用于多个领域，包括计算机视觉，图像处理，智能交通，自然语言处理和生物信息学等。
模式识别的目的是从观察到的数据中检测，理解和预测结果。
其中，神经网络（应用模式识别）是人工智能的关键部分，它模拟人类的神经元的工作方式，并且可以被用来识别，分类，计算和获取模式。
二、实验目标
本次实验的目的是，探讨神经网络在模式识别中的应用，并使用一个基于神经网络的模式识别系统来识别模式。
三、实验内容
（一）数据预处理
在进行本次实验之前，需要进行数据预处理，以便能够更好地使用神经网络。
数据预处理的目的是通过将原始数据处理成神经网络可以处理的格式，以便更好地提取特征。
（二）神经网络模型设计
（三）神经网络模型训练
在训练神经网络模型时，首先需要准备一组被识别的模式。
基于BP神经网络的手势动作表面肌电信号的模式识别
Ｐ ｔ ｒ ｃ ｇ ｉ ｏ ｆＧｅ ｔ ｒ ｕ ｆ ｃ ａ ｔ ｎ Ｒｅ ｏ ｎ ｔ ｎ ｏ ｓｕ ｅ ｓ Ｓ ｒａ ｅ ｅ ｉ
Ｍ ｙ ｅｅ ｔ ｏ ｒ ｍ ｉ ｎ ｌｂ ｓ ｄ ｏ ｕｒ ｌＮｅｗｏ ｋ ｏ ｌ ｃ ｒ ｇ ａ Ｓ ｇ ａ ａ ｅ ｎ ＢＰ Ｎｅ ａ ｔ ｒ ｓ
．
Ｙ ｎ ，Ｙ Ｎ Ｊ ａ， ＨＥ ｉｎ Ｚ Ｎ ｕ Ｕ Ｑｉｇ Ａ Ｇ ｉ ｉＣ Ｎ Ｘ ａ ｇ， ＨＡ Ｇ Ｘ ｈ
（ ｅａｔｅｔｆＥ ｃ ｏｉ Ｓｉ ｃ ｎ ｅ ｎｌ ｙ Ｕ ｉｒｔ ｏ ｃｉ ｃ ｎ ｅ ｎｌ ｈ ａ ｔ￣ｉ ３０７ Ｃ ／ Ｄｐｒ ｎ ｏ ｌ ｔｎ ｃ ｎｅ ｄＴｃ ｏ ｇ ， ｎ ｅｉ ｅ ｅ ｄＴｃｏ ｏ ｏ ／ ，ｔ ０ ２ ， ｈ， ｍ ｅｒ ｃ ｅ ａ ｈ ｏ ｖ ｓｙ ｆＳ ｎ ａ ｈ ｇ ｆＣ ｎ ｅ ２ ｙ ￣）
Ａ ｓ ａｔＳ ｎｌ ｇａｅｉ ｗｄｌ ｕｅ ｕ ａＩ ｌｅ ｎｔ ｓｐｐｒ ｏ ｅｆ ｔ ｅ ａｅｅｔ ｃ ｄ ｓ ｇｓｒ ｃ ｙｅ ｃ ｏｒ ｂｔ ｃ：ｉ ｎｕｇ ｓ ｉｅ ｓ ｉ ｏｒｄｊ ｉ ．Ｉ ｈ ａｅ，ｓ ａ ｒｓ ｒ ｘ ａｔ ，ｕｉ ｕ ａｅｍ ｏｌ ｔｇａ ｒ ｇ ａ ｙ ｄｎ ｙ ｆ ｉ ｍ ｅｕ ｒ ｅ ｎ ｆ ｅｒ ｍ
较 强的模 式分 类能 力 ， 而特征提 取 （ 幅度 绝 对值均 值 、 Ｒ模 型 系数 、 零 率 ） 利 用 了 多路 肌 电信 号 的信 息 ， Ａ 过 又
实验结果取得 了较高的识别正确率， 表明所采用的方法是有效的。 关键词 ： 式识 别 ； 模 手势语 言 ； 面肌 电信号 ；Ｐ网络 ；Ａ 表 Ｂ Ｒ模 型 系数 ； 零率 过
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
实验七：基于神经网络的模式识别实验一、实验目的理解BP神经网络和离散Hopfield神经网络的结构和原理，掌握反向传播学习算法对神经元的训练过程，了解反向传播公式。
通过构建BP网络和离散Hopfield网络模式识别实例，熟悉前馈网络和反馈网络的原理及结构。
综合掌握模式识别的原理，了解识别过程的程序设计方法。
二、实验内容熟悉模式识别的理论方法，用选择一种合适的识别方法，对图像中的字符（英文字母）进行识别，能够区分出不同的形态的26个字母。
在Matlab中，采用BP神经网络，对读取的数据进行训练，进而识别。
1. 程序设计(1)程序各流程图实验中主程序流程图如图4-1所示：图4-1主程序流程图其中图像预处理的流程如图4-2 所示：图4-2图像预处理的流程神经网络训练的具体流程如图4-3所示：图4-3 神经网络训练流程(2)程序清单%形成用户界面clear all;%添加图形窗口H=figure('Color',[0.85 0.85 0.85],...'position',[400 300 500 400],...'Name','基于BP神经网络的英文字母识别',...'NumberTitle','off',...'MenuBar','none');%画坐标轴对象，显示原始图像h0=axes('position',[0.1 0.6 0.3 0.3]);%添加图像打开按钮h1=uicontrol(H,'Style','push',...'Position',[40 100 80 60],...'String','选择图片',...'FontSize',10,...'Call','op');%画坐标轴对象，显示经过预处理之后的图像h2=axes('position',[0.5 0.6 0.3 0.3]);%添加预处理按钮h3=uicontrol(H,'Style','push',...'Position',[140 100 80 60],...'String','二值化',...'FontSize',10,...'Call','preprocess');%添加识别按钮h4=uicontrol(H,'Style','push',...'Position',[240 100 80 60],...'String','字母识别',...'FontSize',10,...'Call','recognize');%添加显示识别结果的文本框%添加训练神经网络按钮h6=uicontrol(H,'Style','push',...'Position',[340 100 80 60],...'String','网络训练',...'FontSize',10,...'Call','Example1Tr');%预处理%preprocessp1=ones(16,16);bw=im2bw(X,0.5);%转换成二值图像%用矩形框截取图像[i,j]=find(bw==0);imin=min(i);imax=max(i);jmin=min(j);jmax=max(j);bw1=bw(imin:imax,jmin:jmax);%调整比例，变换成16*16图像rate=16/max(size(bw1));bw1=imresize(bw1,rate);[i,j]=size(bw1);i1=round((16-i)/2);j1=round((16-j)/2);p1(i1+1:i1+i,j1+1:j1+j)=bw1;p1=-1.*p1+ones(16,16);%显示预处理的结果axes(h2);imshow(p1);%Example1Tr，训练网络M=1;%人数N=26*M;%样本数%获取26个大写字母图像的数据for kk=0:N-1p1=ones(16,16);%初始化16*16的二值图像（全白）m=strcat(int2str(kk),'.bmp');%形成文件名x=imread(m,'bmp');%读取图像bw=im2bw(x,0.5);%转换成二值图像数据%用矩形框截取[i,j]=find(bw==0);%查找像素为黑的坐标%取边界坐标imin=min(i);imax=max(i);jmin=min(j);jmax=max(j);bw1=bw(imin:imax,jmin:jmax);%截取%调整比例，缩放成16*16的图像rate=16/max(size(bw1));bw1=imresize(bw1,rate);%会存在转换误差%将bw1转换成标准的16*16图像p1[i,j]=size(bw1);i1=round((16-i)/2);j1=round((16-j)/2);p1(i1+1:i1+i,j1+1:j1+j)=bw1;p1=-1.*p1+ones(16,16);%将p1转换成输入向量for m=0:15p(m*16+1:(m+1)*16,kk+1)=p1(1:16,m+1);endend%形成目标向量for kk=0:M-1for ii=0:25t(kk+ii+1)=ii;endend%设置输入向量范围pr(1:256,1)=0;pr(1:256,2)=1;%创建两层BP神经网络，隐层有25个节点net=newff(pr,[25 1],{'logsig' 'purelin'},'traingdx','learngdm'); net.trainParam.epochs=2500;net.trainParam.goal=0.001;net.trainParam.show=10;net.trainParam.lr=0.05;%训练神经网络net=train(net,p,t);%存储训练好的神经网络%recognize，字符识别%生成向量形式M=figure('Color',[0.75 0.75 0.75],...'position',[200 200 400 200],...'Name','基于BP神经网络的英文字母识别结果',...'NumberTitle','off',...'MenuBar','none');M0=uicontrol(M,'Style','push',...'Position',[150 80 130 40],...'String','请先训练网络',...'FontSize',12,...'call','delete(M(1)) ' );for m=0:15q(m*16+1:(m+1)*16,1)=p1(1:16,m+1);end%识别[a,Pf,Af]=sim(net,q);a=round(a);switch acase 0,M0=uicontrol(M,'Style','push',...'Position',[150 80 130 40],...'String','这个字母是A',...'FontSize',12,...'call',...'delete(M(1))');case 1,M0=uicontrol(M,'Style','push',...'Position',[150 80 130 40],...'String','这个字母是B',...'FontSize',12,...'call',...'delete(M(1))');case 2,M0=uicontrol(M,'Style','push',...'Position',[150 80 130 40],...'String','这个字母是C',...'FontSize',12,...'call',...'delete(M(1))');case 3,M0=uicontrol(M,'Style','push',...'Position',[150 80 130 40],...'String','这个字母是D',...'FontSize',12,...'call',...'delete(M(1))');case 4,M0=uicontrol(M,'Style','push',... 'Position',[150 80 130 40],...'String','这个字母是E',...'FontSize',12,...'call',...'delete(M(1))');case 5,M0=uicontrol(M,'Style','push',... 'Position',[150 80 130 40],...'String','这个字母是F',...'FontSize',12,...'call',...'delete(M(1))');case 6,M0=uicontrol(M,'Style','push',... 'Position',[150 80 130 40],...'String','这个字母是G',...'FontSize',12,...'call',...'delete(M(1))');case 7,M0=uicontrol(M,'Style','push',... 'Position',[150 80 130 40],...'String','这个字母是H',...'FontSize',12,...'call',...'delete(M(1))');case 8,M0=uicontrol(M,'Style','push',... 'Position',[150 80 130 40],...'String','这个字母是I',...'FontSize',12,...'call',...'delete(M(1))');case 9,M0=uicontrol(M,'Style','push',... 'Position',[150 80 130 40],...'String','这个字母是J',...'FontSize',12,...'call',...'delete(M(1))');case 10,M0=uicontrol(M,'Style','push',... 'Position',[150 80 130 40],...'String','这个字母是K',...'FontSize',12,...'call',...'delete(M(1))');case 11,M0=uicontrol(M,'Style','push',... 'Position',[150 80 130 40],...'String','这个字母是L',...'FontSize',12,...'call',...'delete(M(1))');case 12,M0=uicontrol(M,'Style','push',... 'Position',[150 80 130 40],...'String','这个字母是M',...'FontSize',12,...'call',...'delete(M(1))');case 13,M0=uicontrol(M,'Style','push',... 'Position',[150 80 130 40],...'String','这个字母是N',...'FontSize',12,...'call',...'delete(M(1))');case 14,M0=uicontrol(M,'Style','push',...'Position',[150 80 130 40],...'String','这个字母是O',...'FontSize',12,...'call',...'delete(M(1))');case 15,M0=uicontrol(M,'Style','push',... 'Position',[150 80 130 40],...'String','这个字母是P',...'FontSize',12,...'call',...'delete(M(1))');case 16,M0=uicontrol(M,'Style','push',... 'Position',[150 80 130 40],...'String','这个字母是Q',...'FontSize',12,...'call',...'delete(M(1))');case 17,M0=uicontrol(M,'Style','push',... 'Position',[150 80 130 40],...'String','这个字母是R',...'FontSize',12,...'call',...'delete(M(1))');case 18,M0=uicontrol(M,'Style','push',... 'Position',[150 80 130 40],...'String','这个字母是S',...'FontSize',12,...'call',...'delete(M(1))');case 19,M0=uicontrol(M,'Style','push',... 'Position',[150 80 130 40],...'String','这个字母是T',...'FontSize',12,...'call',...'delete(M(1))');case 20,M0=uicontrol(M,'Style','push',... 'Position',[150 80 130 40],...'String','这个字母是U',...'FontSize',12,...'call',...'delete(M(1))');case 21,M0=uicontrol(M,'Style','push',... 'Position',[150 80 130 40],...'String','这个字母是V',...'FontSize',12,...'call',...'delete(M(1))');case 22,M0=uicontrol(M,'Style','push',... 'Position',[150 80 130 40],...'String','这个字母是W',...'FontSize',12,...'call',...'delete(M(1))');case 23,M0=uicontrol(M,'Style','push',... 'Position',[150 80 130 40],...'String','这个字母是X',...'FontSize',12,...'call',...'delete(M(1))');case 24,M0=uicontrol(M,'Style','push',... 'Position',[150 80 130 40],...'String','这个字母是Y',...'FontSize',12,...'call',...'delete(M(1))');case 25,M0=uicontrol(M,'Style','push',...'Position',[150 80 130 40],...'String','这个字母是Z',...'FontSize',12,...'call',...'delete(M(1))');End%op%读取图像文件[filename,pathname]=uigetfile({'*.bmp';'*.jpg';...'*.gif';'*.*'},...'Pick an Image File');X=imread([pathname,filename]);%显示图像axes(h0);%将h0设置为当前坐标轴句柄imshow(X);%在h0上显示原始图像2. 实验结果图5-1为实验的主窗口，用于选择图片，进行二值化，网络训练和字符识别。